1、第第1313章章 多傳感器數據融合多傳感器數據融合13.1 多傳感器數據融合概述多傳感器數據融合概述 13.2 多傳感器數據融合模型多傳感器數據融合模型13.3 多傳感器數據融合技術多傳感器數據融合技術13.4 多傳感器數據融合應用多傳感器數據融合應用13.1 13.1 多傳感器數據融合概述多傳感器數據融合概述 v多傳感器數據多傳感器數據是針對一個系統中使用多個（種）傳是針對一個系統中使用多個（種）傳感器這一特定問題而提出的信息處理方法，是將來自感器這一特定問題而提出的信息處理方法，是將來自多傳感器或多源的信息和數據進行綜合處理，從而對多傳感器或多源的信息和數據進行綜合處理，從而對觀測對象形成

2、準確結論的過程。觀測對象形成準確結論的過程。v數據融合的目的數據融合的目的是基于各獨立傳感器的觀測數據，是基于各獨立傳感器的觀測數據，通過融合導出更豐富的有效信息，獲得最佳協同效果，通過融合導出更豐富的有效信息，獲得最佳協同效果，發揮多個傳感器的聯合優勢，提高傳感器系統的有效發揮多個傳感器的聯合優勢，提高傳感器系統的有效性和魯棒性，消除單一傳感器的局限性。性和魯棒性，消除單一傳感器的局限性。 13.1 13.1 多傳感器數據融合概述多傳感器數據融合概述 v從生物學的角度來看，人類和自然界中其他動物對客觀從生物學的角度來看，人類和自然界中其他動物對客觀事物的認知過程，就是對多源數據的融合過程。事

3、物的認知過程，就是對多源數據的融合過程。 v人類不是單純依靠一種感官，而是通過視覺、聽覺、觸人類不是單純依靠一種感官，而是通過視覺、聽覺、觸覺、嗅覺等多種感官獲取客觀對象不同質的信息，或通覺、嗅覺等多種感官獲取客觀對象不同質的信息，或通過同類傳感器（如雙耳）獲取同質而又不同量的信息，過同類傳感器（如雙耳）獲取同質而又不同量的信息，然后通過大腦對這些感知信息依據某種未知的規則進行然后通過大腦對這些感知信息依據某種未知的規則進行組合和處理，從而得到對客觀對象和諧與統一的理解和組合和處理，從而得到對客觀對象和諧與統一的理解和認識。認識。 v這一處理過程是復雜的，也是自適應的，它將各種信息這一處理過程

4、是復雜的，也是自適應的，它將各種信息（圖像、聲音、氣味和觸覺）轉換為對環境的有價值的（圖像、聲音、氣味和觸覺）轉換為對環境的有價值的解釋。自動化數據融合系統實際上就是模仿這種由感知解釋。自動化數據融合系統實際上就是模仿這種由感知到認知的過程。到認知的過程。 13.1 13.1 多傳感器數據融合概述多傳感器數據融合概述應用簡例應用簡例多傳感器系統可以用多傳感器系統可以用于地球環境監測。主于地球環境監測。主要應用于對地面的監要應用于對地面的監視、以便識別和監視視、以便識別和監視地貌、氣象模式、礦地貌、氣象模式、礦產資源，植物生長、產資源，植物生長、環境條件和威脅情況環境條件和威脅情況( (如原油泄

5、漏、輻射如原油泄漏、輻射泄漏等泄漏等) ) 如右圖所如右圖所示示 圖源：D.L. Hall and J. Llinas, An introduction to multisensor data fusion 13.1 13.1 多傳感器數據融合概述多傳感器數據融合概述 v數據融合過程數據融合過程主要由數據校準、相關、識別、估主要由數據校準、相關、識別、估計等部分組成。其中校準與相關是識別和估計的基計等部分組成。其中校準與相關是識別和估計的基礎，數據融合在識別和估計中進行。礎，數據融合在識別和估計中進行。 v校準、相關、識別和估計校準、相關、識別和估計貫穿于整個多傳感器數貫穿于整個多傳感器數據融

6、合過程，既是融合系統的基本功能，也是制約據融合過程，既是融合系統的基本功能，也是制約融合性能的關鍵環節。融合性能的關鍵環節。 13.1.1 13.1.1 多傳感器數據融合過程多傳感器數據融合過程v數據檢測數據檢測v數據校準數據校準v數據相關數據相關v參數估計參數估計v目標識別目標識別v行為估計行為估計13.1.2 13.1.2 多傳感器數據融合形式多傳感器數據融合形式v數據級融合數據級融合v特征級融合特征級融合v決策級融合決策級融合13.2.1 13.2.1 多傳感器數據融合結構多傳感器數據融合結構v串聯型融合串聯型融合13.2 13.2 多傳感器數據融合融合模型多傳感器數據融合融合模型v混聯

7、型融合混聯型融合v并聯型融合并聯型融合13.2.1 13.2.1 多傳感器數據融合結構多傳感器數據融合結構v從數據融合的控制關系來看，反饋型多傳感器數據融合過程從數據融合的控制關系來看，反饋型多傳感器數據融合過程中，傳感器或數據融合中心的處理方式及判斷規則受數據融中，傳感器或數據融合中心的處理方式及判斷規則受數據融合中心最終結論或中間結論的影響。數據處理依賴于一個反合中心最終結論或中間結論的影響。數據處理依賴于一個反饋控制過程，這種反饋可以是正反饋，也可以是負反饋。反饋控制過程，這種反饋可以是正反饋，也可以是負反饋。反饋控制可分為融合結論對傳感器的控制、對數據融合中心的饋控制可分為融合結論對傳

8、感器的控制、對數據融合中心的控制，以及中間結論對傳感器的控制三種。控制，以及中間結論對傳感器的控制三種。 v對傳感器的控制多體現在對傳感器策略、精度的控制、對傳對傳感器的控制多體現在對傳感器策略、精度的控制、對傳感器跟蹤目標的跟蹤控制等。對融合中心的控制包括對融合感器跟蹤目標的跟蹤控制等。對融合中心的控制包括對融合中心判斷規則的控制、對融合中心數據融合方式的控制、對中心判斷規則的控制、對融合中心數據融合方式的控制、對融合中心某一參數的控制等。融合中心某一參數的控制等。 13.2.1 13.2.1 多傳感器數據融合結構多傳感器數據融合結構v結論對傳感器結論對傳感器的反饋控制的反饋控制 v結論對融

9、合中結論對融合中心的反饋控制心的反饋控制 v中間結論對傳感中間結論對傳感器的反饋控制器的反饋控制 13.2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型v多傳感器數據融合系統的模型設計是多傳感器數據多傳感器數據融合系統的模型設計是多傳感器數據融合的關鍵問題，取決于實際需求、環境條件、計融合的關鍵問題，取決于實際需求、環境條件、計算機、通信容量及可靠性要求等，模型設計直接影算機、通信容量及可靠性要求等，模型設計直接影響融合算法的結構、性能和融合系統的規模。響融合算法的結構、性能和融合系統的規模。 v多傳感器數據融合模型實際上是一種數據融合的組多傳感器數據融合模型實際上是一種數據融合

10、的組織策略，根據任務、要求和設計者認識不同，模型織策略，根據任務、要求和設計者認識不同，模型設計千差萬別。目前流行的有多種數據融合模型，設計千差萬別。目前流行的有多種數據融合模型，其中其中JDLJDL數據融合模型最具通用性。數據融合模型最具通用性。 13.2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型vJDLJDL模型模型 JDLJDL數據融合模數據融合模型如右圖所示，型如右圖所示，數據融合過程包數據融合過程包括五級處理和數括五級處理和數據庫、人機接口據庫、人機接口支持等。五級處支持等。五級處理并不意味著處理并不意味著處理過程的時間順理過程的時間順序，實際上，處序，實際上，處理

11、過程通常是并理過程通常是并行的行的。 13.2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型vBoydBoyd控制環控制環 vBoydBoyd控制環包括四個處理環節：控制環包括四個處理環節：v(1)(1)觀測環節獲取目標信息，與觀測環節獲取目標信息，與JDLJDL模型的數據預處理功能相當。模型的數據預處理功能相當。v(2)(2)定向環節確定對象的基本特征，定向環節確定對象的基本特征，與與JDLJDL模型的目標評估、態勢評估模型的目標評估、態勢評估和威脅評估功能相當。和威脅評估功能相當。v(3)(3)決策環節確定最佳評估，制定決策環節確定最佳評估，制定反饋控制策略，與反饋控制策略，

12、與JDLJDL模型過程優模型過程優化與評估功能相當。化與評估功能相當。v(4)(4)執行環節利用反饋控制調整傳執行環節利用反饋控制調整傳感系統狀態，獲取額外數據等。感系統狀態，獲取額外數據等。JDLJDL模型沒有這一環節。模型沒有這一環節。 13.2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型vWaterfallWaterfall模型模型 Waterfall Waterfall 模型模型的數據融合過程包括三個層次。的數據融合過程包括三個層次。v(1)(1)基于傳感模型和物理測量模基于傳感模型和物理測量模型對原始數據進行預處理型對原始數據進行預處理v(2)(2)進行特征提取和特征

13、融合以進行特征提取和特征融合以獲取信息的抽象表達，減少數據獲取信息的抽象表達，減少數據量，提高信息傳遞效率，第二層量，提高信息傳遞效率，第二層次的輸出是關于對象特征的估計次的輸出是關于對象特征的估計及其置信度。及其置信度。v(3)(3)利用現有知識對對象特征進利用現有知識對對象特征進行評價，形成關于對象、事件或行評價，形成關于對象、事件或行為的認識。傳感器系統利用第行為的認識。傳感器系統利用第三層次形成的反饋信息不斷調整三層次形成的反饋信息不斷調整自身狀態和數據準備策略，進行自身狀態和數據準備策略，進行重新設置和標定等，提高傳感信重新設置和標定等，提高傳感信息的利用率。息的利用率。 。 13.

14、2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型vDasarathyDasarathy 模型模型 DasarathyDasarathy 模型充模型充分注意到傳感器數分注意到傳感器數據融合中數據融合、據融合中數據融合、特征融合和決策融特征融合和決策融合三者往往交替應合三者往往交替應用或聯合使用的事用或聯合使用的事實，根據所處理信實，根據所處理信息的類型對數據融息的類型對數據融合功能進行了歸納，合功能進行了歸納，明確了五種可能的明確了五種可能的融合形式，如表所融合形式，如表所示。示。 13.2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型vOMNIBUSOMNIBUS模

15、型模型 是是 B o y dB o y d 控 制 環 、控 制 環 、DasarathyDasarathy模型和模型和 WaterfallWaterfall模型的混模型的混合，既體現了數據融合，既體現了數據融合過程的循環本質，合過程的循環本質，用融合結論調整傳感用融合結論調整傳感器系統的狀態，提高器系統的狀態，提高信息融合的有效性，信息融合的有效性，又細化了數據融合過又細化了數據融合過程中各個環節的任務，程中各個環節的任務，改善了數據融合實現改善了數據融合實現的可組合性。的可組合性。13.2.2 13.2.2 多傳感器數據融合模型多傳感器數據融合模型v多傳感器集成融合模型多傳感器集成融合模型

16、 根據傳感器所提供信息的根據傳感器所提供信息的等級參加不同融合中心的等級參加不同融合中心的數據融合，低等級的傳感數據融合，低等級的傳感器輸出原始數據或信號，器輸出原始數據或信號，高等級的傳感器輸出特征高等級的傳感器輸出特征或抽象符號信息，融合結或抽象符號信息，融合結論在最高等級的融合中心論在最高等級的融合中心產生，輔助信息系統為各產生，輔助信息系統為各融合中心提供資源，包括融合中心提供資源，包括各種數據庫、知識表達、各種數據庫、知識表達、特征解析、決策邏輯等。特征解析、決策邏輯等。 13.3 13.3 多傳感器數據融合技術多傳感器數據融合技術13.3.1 多傳感器數據融合算法的基本類型多傳感器

17、數據融合算法的基本類型13.3.2 Kalman濾波濾波13.3.3 基于基于Bayes理論的數據融合理論的數據融合13.3.4 基于神經網絡的數據融合基于神經網絡的數據融合13.3.5 基于專家系統的數據融合基于專家系統的數據融合13.3.6 基于聚類分析的數據融合基于聚類分析的數據融合 13.3.1 13.3.1 多傳感器數據融合算法基本類型多傳感器數據融合算法基本類型v物理模型物理模型 v參數分類技術參數分類技術v基于認知的方法基于認知的方法13.3.1 13.3.1 多傳感器數據融合算法基本類型多傳感器數據融合算法基本類型物理模型物理模型 根據物理模型模擬出可觀測或可計算的數根據物理模

18、型模擬出可觀測或可計算的數據，并把觀測數據與預先存儲的對象特征進行據，并把觀測數據與預先存儲的對象特征進行比較，或將觀測數據特征與物理模型所得到的比較，或將觀測數據特征與物理模型所得到的模擬特征進行比較。比較過程涉及到計算預測模擬特征進行比較。比較過程涉及到計算預測數據和實測數據的相關關系。如果相關系數超數據和實測數據的相關關系。如果相關系數超過一個預先設定的值。則認為兩者存在匹配關過一個預先設定的值。則認為兩者存在匹配關系系( (身份相同身份相同) )。 這類方法中，這類方法中，Kalman濾波技術最為常用。濾波技術最為常用。 13.3.1 13.3.1 多傳感器數據融合算法基本類型多傳感器

19、數據融合算法基本類型參數分類技術參數分類技術 參數分類技術依據參數數據獲得屬性說明，參數分類技術依據參數數據獲得屬性說明，在參數數據在參數數據( (如特征如特征) )和一個屬性說明之間建立和一個屬性說明之間建立一種直接的映像。參數分類分為有參技術和無一種直接的映像。參數分類分為有參技術和無參技術兩類，有參技術需要身份數據的先驗知參技術兩類，有參技術需要身份數據的先驗知識，如分布函數和高階矩等；無參技術則不需識，如分布函數和高階矩等；無參技術則不需要先驗知識。要先驗知識。 常用的參數分類方法包括常用的參數分類方法包括BayesianBayesian估計，估計，D DS S推理，人工神經網絡，模式

20、識別，聚類分析，推理，人工神經網絡，模式識別，聚類分析，信息熵法等。信息熵法等。 13.3.1 13.3.1 多傳感器數據融合算法基本類型多傳感器數據融合算法基本類型基于認知的方法基于認知的方法 基于認知的方法主要是模仿人類對屬性判別的推基于認知的方法主要是模仿人類對屬性判別的推理過程，可以在原始傳感器數據或數據特征基礎上進理過程，可以在原始傳感器數據或數據特征基礎上進行。行。 基于認知的方法在很大程度上依賴于一個先驗知基于認知的方法在很大程度上依賴于一個先驗知識庫。有效的知識庫利用知識工程技術建立，這里雖識庫。有效的知識庫利用知識工程技術建立，這里雖然未明確要求使用物理模型，但認知建立在對待

21、識別然未明確要求使用物理模型，但認知建立在對待識別對象組成和結構有深入了解的基礎上，因此，基于認對象組成和結構有深入了解的基礎上，因此，基于認知的方法采用啟發式的形式代替了數學模型。當目標知的方法采用啟發式的形式代替了數學模型。當目標物體能依據其組成及相互關系來識別時，這種方法尤物體能依據其組成及相互關系來識別時，這種方法尤其有效。其有效。 13.3.2 13.3.2 Kalman濾波濾波 Kalman濾波濾波 Kalman濾波實時融合動態的低層次傳感器濾波實時融合動態的低層次傳感器冗余數據，只需當前的一個測量值和前一個采冗余數據，只需當前的一個測量值和前一個采樣周期的預測值就能進行遞推估計。

22、如果系統樣周期的預測值就能進行遞推估計。如果系統具有線性動力學模型，且系統噪聲和傳感器噪具有線性動力學模型，且系統噪聲和傳感器噪聲可用白噪聲模型來表示，聲可用白噪聲模型來表示，Kalman濾波為融合濾波為融合數據提供了統計意義下的最優估計。數據提供了統計意義下的最優估計。 13.3.2 13.3.2 Kalman濾波濾波v離散序列的一階遞推估計模型如圖所示離散序列的一階遞推估計模型如圖所示 ()(1)(1)s kas kk13.3.2 13.3.2 Kalman濾波濾波 Kalman濾波濾波 a13.3.2 13.3.2 Kalman濾波濾波 Kalman濾波濾波 Kalman濾波可以實現不同

23、層次的數據融合。集中融濾波可以實現不同層次的數據融合。集中融合結構在系統融合中心采用合結構在系統融合中心采用Kalman濾波技術，可以得濾波技術，可以得到系統的全局狀態估計信息。傳感器數據自低層向融合到系統的全局狀態估計信息。傳感器數據自低層向融合中心單方向流動，各傳感器之間缺乏必要的聯系。分散中心單方向流動，各傳感器之間缺乏必要的聯系。分散融合結構在對每個節點進行局部估計的基礎上，接受其融合結構在對每個節點進行局部估計的基礎上，接受其它節點傳遞來的信息進行同化處理，形成全局估計。分它節點傳遞來的信息進行同化處理，形成全局估計。分散融合結構網絡中，任何一個節點都可以獨立做出全局散融合結構網絡中

24、，任何一個節點都可以獨立做出全局估計，某一節點的失效不會顯著地影響系統正常工作，估計，某一節點的失效不會顯著地影響系統正常工作，其它節點仍可以對全局做出估計，有效地提高了系統的其它節點仍可以對全局做出估計，有效地提高了系統的魯棒性和容錯性。魯棒性和容錯性。 13.3.3 13.3.3 基于基于BayesBayes理論數據融合理論數據融合v利用利用BayesBayes方法進行數據融方法進行數據融合的過程如圖所示：合的過程如圖所示： v(1)(1)將每個傳感器關于對象將每個傳感器關于對象的觀測轉化為對象屬性的說的觀測轉化為對象屬性的說明明: :v(2)(2)計算每個傳感器關于對計算每個傳感器關于對

25、象屬性說明的不確定性象屬性說明的不確定性: : v(3)(3)計算對象屬性的融合概計算對象屬性的融合概率：率： 12, .,mDDD()1,2,., ;1,2,.,jiP D Oin jm1212121(,.,) ( )(,.,)1,2,., ;1,2,.,(,.,) ( )miiimnmiiiP D DD O P OP O D DDin jmP D DD O P O13.3.3 13.3.3 基于基于BayesBayes理論數據融合理論數據融合v如果如果 相互獨立則：相互獨立則： v(4)(4)應用判定邏輯進行決策。若選取應用判定邏輯進行決策。若選取 的極大值的極大值作為輸出，這就是所謂的極

26、大后驗概率（作為輸出，這就是所謂的極大后驗概率（MAPMAP）判定準則：）判定準則：v運用運用BayesBayes方法中的條件概率進行推理，能夠在出現某一證方法中的條件概率進行推理，能夠在出現某一證據時給出假設事件在此證據發生的條件概率，能夠嵌入一據時給出假設事件在此證據發生的條件概率，能夠嵌入一些先驗知識，實現不確定性的逐級傳遞。但它要求各證據些先驗知識，實現不確定性的逐級傳遞。但它要求各證據之間都是相互獨立的，當存在多個可能假設和多條件相關之間都是相互獨立的，當存在多個可能假設和多條件相關事件時，計算復雜性增加。另外，事件時，計算復雜性增加。另外，BayesBayes方法要求有統一的方法要

27、求有統一的識別框架，不能在不同層次上組合證據。識別框架，不能在不同層次上組合證據。 1212(, . . . . ,)()() . . .()miiimiPDDDOPDOPDOPDO12(,.,)imPO D DD12,.,mDDD121()ma x (, . . . . ,) jimimPOPODDD13.3.4 13.3.4 基于神經網絡數據融合基于神經網絡數據融合v人工神經網絡源人工神經網絡源于大腦的生物結于大腦的生物結構，神經元是大構，神經元是大腦的一個信息處腦的一個信息處理單元，包括細理單元，包括細胞體、樹突和軸胞體、樹突和軸突，如圖所示。突，如圖所示。 13.3.4 13.3.4

28、基于神經網絡數據融合基于神經網絡數據融合神經網絡神經網絡 神經元利用樹突整合突觸所接收到的外界信神經元利用樹突整合突觸所接收到的外界信息，經軸突將神經沖動由細胞體傳至其他神經元息，經軸突將神經沖動由細胞體傳至其他神經元或效應細胞。神經網絡使用大量的處理單元或效應細胞。神經網絡使用大量的處理單元( (即即神經元神經元) )處理信息，神經元按層次結構的形式組處理信息，神經元按層次結構的形式組織，每層上的神經元以加權的方式與其它層上的織，每層上的神經元以加權的方式與其它層上的神經元連接，采用并行結構和并行處理機制，具神經元連接，采用并行結構和并行處理機制，具有很強的容錯性以及自學習、自組織及自適應能

29、有很強的容錯性以及自學習、自組織及自適應能力，能夠模擬復雜的非線性映射。力，能夠模擬復雜的非線性映射。 13.3.4 13.3.4 基于神經網絡數據融合基于神經網絡數據融合v常用的人工神經元常用的人工神經元模型（模型（PEPE模型）模型） v典型的多級前饋典型的多級前饋感知模型感知模型 13.3.4 13.3.4 基于神經網絡數據融合基于神經網絡數據融合神經網絡的結構、功能特點和強大的非線性處理能力，恰好滿足了多源神經網絡的結構、功能特點和強大的非線性處理能力，恰好滿足了多源信息融合技術處理的要求，人工神經網絡以其泛化能力強、穩定性高、信息融合技術處理的要求，人工神經網絡以其泛化能力強、穩定性

30、高、容錯性好、快速有效的優勢，在數據融合中的應用日益受到重視。容錯性好、快速有效的優勢，在數據融合中的應用日益受到重視。如果將數據融合劃分為三級，并針對具體問題將處理功能賦予信息處理如果將數據融合劃分為三級，并針對具體問題將處理功能賦予信息處理單元，可以用三層神經網絡描述融合模型。第一層神經元對應原始數據單元，可以用三層神經網絡描述融合模型。第一層神經元對應原始數據層融合。第二層完成特征層融合，并根據前一層提取的特征，做出決策。層融合。第二層完成特征層融合，并根據前一層提取的特征，做出決策。對于目標識別，輸出就是目標識別結論及其置信度；對于跟蹤問題，輸對于目標識別，輸出就是目標識別結論及其置信

31、度；對于跟蹤問題，輸出就是目標軌跡及誤差。輸出層對應決策融合，決策層的輸入輸出都應出就是目標軌跡及誤差。輸出層對應決策融合，決策層的輸入輸出都應該為軟決策及對應決策的置信度。該為軟決策及對應決策的置信度。 融合模型的全并行結構對應神經網絡的跨層連接。決策信息處理單元組融合模型的全并行結構對應神經網絡的跨層連接。決策信息處理單元組的輸出可以作為原始數據層數據融合單元組的輸入，對應數據融合模型的輸出可以作為原始數據層數據融合單元組的輸入，對應數據融合模型的層間反饋。數據融合模型的內環路對應前向神經網絡中層內的自反饋的層間反饋。數據融合模型的內環路對應前向神經網絡中層內的自反饋結構。不論在數據融合的

32、哪個層次，同層各個信息處理單元組或同一信結構。不論在數據融合的哪個層次，同層各個信息處理單元組或同一信息處理單元組的各個信息處理單元之間或多或少地存在聯系。息處理單元組的各個信息處理單元之間或多或少地存在聯系。 13.3.4 13.3.4 基于神經網絡數據融合基于神經網絡數據融合v人工神經網絡信息融合具有如下性能：人工神經網絡信息融合具有如下性能：v(1)(1)神經網絡的信息統一存儲在網絡的連接權值和連接結構神經網絡的信息統一存儲在網絡的連接權值和連接結構上，使得多源信息的表示具有統一的形式，便于管理和建立上，使得多源信息的表示具有統一的形式，便于管理和建立知識庫。知識庫。v(2)(2)神經網

33、絡可增加信息處理的容錯性，當某個傳感器出現神經網絡可增加信息處理的容錯性，當某個傳感器出現故障或檢測失效時，神經網絡的容錯功能可以使融合系統正故障或檢測失效時，神經網絡的容錯功能可以使融合系統正常工作，并輸出可靠的信息。常工作，并輸出可靠的信息。v(3)(3)神經網絡具有自學習和自組織功能，能適應工作環境的神經網絡具有自學習和自組織功能，能適應工作環境的不斷變化和信息的不確定性對融合系統的要求。不斷變化和信息的不確定性對融合系統的要求。v(4)(4)神經網絡采用并行結構和并行處理機制，信息處理速度神經網絡采用并行結構和并行處理機制，信息處理速度快，能夠滿足信息融合的實時處理要求。快，能夠滿足信

34、息融合的實時處理要求。 13.3.5 13.3.5 基于專家系統數據融合基于專家系統數據融合v專家系統專家系統(Expert system)(Expert system)是一個具有大量專門知識與經驗是一個具有大量專門知識與經驗的程序系統，根據某領域一個或多個專家提供的知識和經的程序系統，根據某領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題。專家系統具有如下決那些需要人類專家處理的復雜問題。專家系統具有如下特點：特點： v(1)(1)啟發性：專家系統能運用專家的知識和經驗進行推理

35、、啟發性：專家系統能運用專家的知識和經驗進行推理、判斷和決策。判斷和決策。 v(2)(2)透明性：專家系統能夠解釋本身的推理過程和回答用戶透明性：專家系統能夠解釋本身的推理過程和回答用戶提出的問題，用戶能夠了解推理過程，提高對專家系統的提出的問題，用戶能夠了解推理過程，提高對專家系統的信賴感。信賴感。 v(3)(3)靈活性：專家系統能不斷地增長知識，修改原有知識，靈活性：專家系統能不斷地增長知識，修改原有知識，不斷更新，不斷充實和豐富系統內涵，完善系統功能。不斷更新，不斷充實和豐富系統內涵，完善系統功能。 13.3.5 13.3.5 基于專家系統數據融合基于專家系統數據融合v一個典型的專家系統

36、由知一個典型的專家系統由知識庫、推理器和接口三部識庫、推理器和接口三部分組成，如圖所示。分組成，如圖所示。 v知識庫組織事實和規則。知識庫組織事實和規則。 v推理器籍由知識庫中有效推理器籍由知識庫中有效的事實與規則，在用戶輸的事實與規則，在用戶輸入的基礎上給出結果。入的基礎上給出結果。 v接口是用戶與專家系統間接口是用戶與專家系統間的溝通渠道，是人與系統的溝通渠道，是人與系統進行信息交流的媒介，為進行信息交流的媒介，為用戶提供了直觀方便的交用戶提供了直觀方便的交互作用手段。互作用手段。 13.3.5 13.3.5 基于專家系統數據融合基于專家系統數據融合v建立專家系統首先要確認建立專家系統首先

37、要確認需解決的問題，根據需求需解決的問題，根據需求明確相關的知識并將其概明確相關的知識并將其概念化，由這些概念組成一念化，由這些概念組成一個系統的知識庫。其次是個系統的知識庫。其次是制定涵蓋上述知識的規則，制定涵蓋上述知識的規則，建立專家系統的過程如圖建立專家系統的過程如圖所示所示 。 v測試測試用于檢驗用于檢驗專家系統各個環節的專家系統各個環節的完整性完整性。在專家系統的在專家系統的建立過程中，需求、概念、組織結構與規則是不斷完善的，建立過程中，需求、概念、組織結構與規則是不斷完善的，往往需要不斷更新。建立專家系統的關鍵在于知識的獲取往往需要不斷更新。建立專家系統的關鍵在于知識的獲取與知識表

38、達與知識表達。 13.3.6 13.3.6 基于聚類分析數據融合基于聚類分析數據融合v對于沒有標示類別或沒有明對于沒有標示類別或沒有明確特征的數據樣本集，可以確特征的數據樣本集，可以根據樣本之間的某種相似程根據樣本之間的某種相似程度進行分類，相似的歸一類，度進行分類，相似的歸一類，不相似的歸為另一類或另一不相似的歸為另一類或另一些類，這種分類方法稱為聚些類，這種分類方法稱為聚類分析，如圖所示。類分析，如圖所示。 v聚類分析法試圖根據傳感數聚類分析法試圖根據傳感數據的結構或相似性將數據集據的結構或相似性將數據集分為若干個子集。將相似數分為若干個子集。將相似數據集中在一起成為一些可識據集中在一起成

39、為一些可識別的組，并從數據集中分離別的組，并從數據集中分離出來，眾多的不同特征可用出來，眾多的不同特征可用不同的聚類來表征不同的聚類來表征。 13.3.6 13.3.6 基于聚類分析數據融合基于聚類分析數據融合v進行聚類分析時，首先需要確定一種規則來確定數據集的分進行聚類分析時，首先需要確定一種規則來確定數據集的分離原則，尋找各個類之間的相似性是常用的辦法。對于兩個離原則，尋找各個類之間的相似性是常用的辦法。對于兩個給定的數據樣本給定的數據樣本 和和 ，幾種常見的相似性度量如：，幾種常見的相似性度量如： v點積：點積： v相似性比：相似性比： v歐幾里德距離：歐幾里德距離： v加權歐幾里德距離

40、：加權歐幾里德距離： v規范化相關系數：規范化相關系數： (,)() ()ijijiijjXXd e pXXXXXXiXjXc o s (,)ijijijXXXXXX(,)ijijiijjijXXSXXXXXXXX21(,)()niji kj kkdXXXX21(,)()niji kj kkdXXXX13.3.6 13.3.6 基于聚類分析數據融合基于聚類分析數據融合v在不規則粒子的測量中，人們并不關心粒子的在不規則粒子的測量中，人們并不關心粒子的直徑究竟是多少，而是關心粒子的種類及其統直徑究竟是多少，而是關心粒子的種類及其統計特性（平均直徑、方差等）。聚類分析適于計特性（平均直徑、方差等）。

41、聚類分析適于解決這類問題。解決這類問題。 v對于任意不規則粒子的情形，可以通過考察粒對于任意不規則粒子的情形，可以通過考察粒子在大小分布上的相似程度來進行粒子識別。子在大小分布上的相似程度來進行粒子識別。 v聚類分析算法能夠挖掘數據中的新關系，可以聚類分析算法能夠挖掘數據中的新關系，可以用于目標識別和分類。但在聚類過程中加入了用于目標識別和分類。但在聚類過程中加入了啟發和交互，帶有一定的主觀傾向性。一般說啟發和交互，帶有一定的主觀傾向性。一般說來，相似性度量的定義、聚類算法的選擇、數來，相似性度量的定義、聚類算法的選擇、數據排列的次序等都可能影響聚類結果。據排列的次序等都可能影響聚類結果。 1

42、3.4 13.4 多傳感器數據融合的應用多傳感器數據融合的應用13.4.1 人體對氣溫的感受人體對氣溫的感受13.4.2 管道泄漏檢測中的數據融合管道泄漏檢測中的數據融合13.4.3 醫學咨詢與診斷專家系統醫學咨詢與診斷專家系統13.4.4 多傳感器數據融合技術的局限性多傳感器數據融合技術的局限性 13.4.1 13.4.1 人體對氣溫的感受人體對氣溫的感受v布爾邏輯溫度表示布爾邏輯溫度表示v溫度信息模糊表示溫度信息模糊表示v濕度信息模糊表示濕度信息模糊表示13.4.1 13.4.1 人體對氣溫的感受人體對氣溫的感受13.4.2 13.4.2 管道泄漏檢測中的數據融合管道泄漏檢測中的數據融合v

43、當管道發生泄漏時，由于管道內外的壓差，泄漏處當管道發生泄漏時，由于管道內外的壓差，泄漏處流體迅速流失，壓力迅速下降，同時激發瞬態負壓流體迅速流失，壓力迅速下降，同時激發瞬態負壓波沿管道向兩端傳播。在管道兩端安裝傳感器拾取波沿管道向兩端傳播。在管道兩端安裝傳感器拾取瞬態負壓波信號可以實現管道的泄漏檢測和定位，瞬態負壓波信號可以實現管道的泄漏檢測和定位，如圖所示。如圖所示。其中：其中：a是負壓波在管道中的傳播速度；是負壓波在管道中的傳播速度；t為兩個為兩個檢測點接收負壓波的時間差；檢測點接收負壓波的時間差；L為所檢測的管道長度為所檢測的管道長度 13.4.2 13.4.2 管道泄漏檢測中的數據融合

44、管道泄漏檢測中的數據融合式中：表示負壓波的傳播速度，式中：表示負壓波的傳播速度，K為介質的體積彈性系數，為介質的體積彈性系數，表示介質密度，表示介質密度，E為管材的彈性系數，為管材的彈性系數，D為管道直徑，為管道直徑，e為管為管壁厚度壁厚度， C1表示與管道工藝參數有關的修正系數。表示與管道工藝參數有關的修正系數。 負壓波在管道中的傳播速度受傳送介質的彈性、密度、介質負壓波在管道中的傳播速度受傳送介質的彈性、密度、介質溫度及管材等實際因素的影響，并不是一個常數，如下公式溫度及管材等實際因素的影響，并不是一個常數，如下公式所示，顯然，溫度變化將影響傳送介質的密度，負壓波在管所示，顯然，溫度變化將

45、影響傳送介質的密度，負壓波在管道中的傳播速度不再是一個常數，為了準確地對泄漏點進行道中的傳播速度不再是一個常數，為了準確地對泄漏點進行定位，需要利用溫度信息校正負壓波的傳播速度。定位，需要利用溫度信息校正負壓波的傳播速度。 13.4.2 13.4.2 管道泄漏檢測中的數據融合管道泄漏檢測中的數據融合v泄漏點的定位與管道兩端獲取負壓波信號的泄漏點的定位與管道兩端獲取負壓波信號的時間差有關，提高泄漏點的定位精度，不僅時間差有關，提高泄漏點的定位精度，不僅需要在負壓波信號中準確捕捉泄漏發生的時需要在負壓波信號中準確捕捉泄漏發生的時間，還需要將兩端獲取的負壓波信號建立在間，還需要將兩端獲取的負壓波信號

46、建立在同一個時間基準上同一個時間基準上 ，不僅如此，由于不可避，不僅如此，由于不可避免的現場干擾、輸油泵振動等因素的影響，免的現場干擾、輸油泵振動等因素的影響，負壓波信號被淹沒在噪聲中，準確捕捉泄漏負壓波信號被淹沒在噪聲中，準確捕捉泄漏發生的時間點并不是一件容易的事，在小泄發生的時間點并不是一件容易的事，在小泄漏情況下更是如此。漏情況下更是如此。 13.4.2 13.4.2 管道泄漏檢測中的數據融合管道泄漏檢測中的數據融合v根據質量守恒定律，沒有泄漏時進入管道的根據質量守恒定律，沒有泄漏時進入管道的質量流量和流出管道的質量流量是相等的。質量流量和流出管道的質量流量是相等的。如果進入流量大于流出

47、流量，就可以判斷管如果進入流量大于流出流量，就可以判斷管道沿線存在泄漏。對于裝有流量計的管道，道沿線存在泄漏。對于裝有流量計的管道，利用瞬時流量的對比有助于區分管道泄漏與利用瞬時流量的對比有助于區分管道泄漏與正常工況：管道發生泄漏時，上游端瞬時流正常工況：管道發生泄漏時，上游端瞬時流量上升、壓力下降，下游端瞬時流量下降、量上升、壓力下降，下游端瞬時流量下降、壓力下降；正常工況下，兩端流量、壓力同壓力下降；正常工況下，兩端流量、壓力同時上升或下降。時上升或下降。 13.4.2 13.4.2 管道泄漏檢測中的數據融合管道泄漏檢測中的數據融合v管道運行時，正常的調泵、調閥所激發的聲波信號可能與泄管道

48、運行時，正常的調泵、調閥所激發的聲波信號可能與泄漏激發的負壓波信號具有相同特征，造成泄漏檢測的錯誤判漏激發的負壓波信號具有相同特征，造成泄漏檢測的錯誤判斷。在管道的兩端各增加一個傳感器，可利用辨向技術正確斷。在管道的兩端各增加一個傳感器，可利用辨向技術正確識別泄漏，如圖識別泄漏，如圖13.3013.30所示。調泵、調閥所激發的聲波信號先所示。調泵、調閥所激發的聲波信號先到達傳感器到達傳感器A A，后到達傳感器，后到達傳感器B B，而泄漏激發的負壓波信號則，而泄漏激發的負壓波信號則先到達傳感器先到達傳感器B B，后到達傳感器，后到達傳感器A A。兩個傳感信號的相關處理。兩個傳感信號的相關處理可以

49、準確區分信號來源。可以準確區分信號來源。13.4.2 13.4.2 管道泄漏檢測中的數據融合管道泄漏檢測中的數據融合v管道泄漏檢測系統管道泄漏檢測系統的多傳感器數據融的多傳感器數據融合結構如圖所示合結構如圖所示 13.4.3 13.4.3 醫學咨詢與診斷專家系統醫學咨詢與診斷專家系統v右圖所示是斯坦福右圖所示是斯坦福( (Stanford) )大學建大學建立的細菌感染疾病診斷和治療計算機立的細菌感染疾病診斷和治療計算機咨詢專家系統（咨詢專家系統（MYCIN系統），由咨系統），由咨詢、解釋和規則獲取詢、解釋和規則獲取3 3個子系統組成。個子系統組成。系統所有信息都存放在系統所有信息都存放在2 2

50、個數據庫中：個數據庫中：靜態數據庫存放咨詢過程中用到的所靜態數據庫存放咨詢過程中用到的所有規則，它實際上是專家系統的知識有規則，它實際上是專家系統的知識庫；動態數據庫存放關于病人的信息，庫；動態數據庫存放關于病人的信息，以及到目前為止咨詢中系統所詢問的以及到目前為止咨詢中系統所詢問的問題。每次咨詢，動態數據都會更新問題。每次咨詢，動態數據都會更新一次。一次。MYCINMYCIN系統的決策過程主要依系統的決策過程主要依據醫生的臨床經驗和判斷、試圖用產據醫生的臨床經驗和判斷、試圖用產生式規則的形式體現專家的判斷知識，生式規則的形式體現專家的判斷知識，以模仿專家的推理過程以模仿專家的推理過程. .

51、13.4.3 13.4.3 醫學咨詢與診斷專家系統醫學咨詢與診斷專家系統v中醫診斷的信中醫診斷的信息融合過程如息融合過程如圖所示，中醫圖所示，中醫診斷的信息融診斷的信息融合過程涉及視合過程涉及視覺、嗅覺、聽覺、嗅覺、聽覺、觸覺四種覺、觸覺四種不同的傳感器不同的傳感器 13.4.4 13.4.4 數據融合技術的局限性數據融合技術的局限性v多傳感器數據融合結果并不能代替單一高精度多傳感器數據融合結果并不能代替單一高精度傳感器測量結果。傳感器測量結果。多個傳感器的組合可以增強系統的健壯性，但這些傳感器多個傳感器的組合可以增強系統的健壯性，但這些傳感器并不一定能檢測到系統所感興趣的目標特征。并不一定能

52、檢測到系統所感興趣的目標特征。例如列車運行過程中，列車的載重情況、運行速度、振動例如列車運行過程中，列車的載重情況、運行速度、振動特性等對診斷列車輪系工作狀態提供了有價值的信息，但特性等對診斷列車輪系工作狀態提供了有價值的信息，但這些數據卻無法直接給出軸瓦的工作溫度。采用一個溫度這些數據卻無法直接給出軸瓦的工作溫度。采用一個溫度傳感器直接測量溫度要簡單易行得多。傳感器直接測量溫度要簡單易行得多。13.4.4 13.4.4 數據融合技術的局限性數據融合技術的局限性v數據融合處理不可能修正預處理或單個傳感器數據融合處理不可能修正預處理或單個傳感器處理時的錯誤。處理時的錯誤。數據融合處理不能彌補處理

53、過程中造成的信息損失。當信數據融合處理不能彌補處理過程中造成的信息損失。當信號的特征沒有被正確提取時，數據融合得到的結論肯定是號的特征沒有被正確提取時，數據融合得到的結論肯定是錯誤的，數據融合不可能修正這些特征。錯誤的，數據融合不可能修正這些特征。例如在管道泄漏檢測中，如果負壓波信號中泄漏發生的時例如在管道泄漏檢測中，如果負壓波信號中泄漏發生的時間特征點沒有準確獲得，泄漏定位的準確性就沒有保證，間特征點沒有準確獲得，泄漏定位的準確性就沒有保證，其它的技術措施如時間對準、流量平衡等都不可能改變這其它的技術措施如時間對準、流量平衡等都不可能改變這種結果。種結果。143.4.4 143.4.4 數據融合技術的局限性數據融合技術的局限性v數據融合過程中希望能用一種簡單的方式來描數據融合過程中希望能用一種簡單的方式來描述傳感器性能。述傳感器性能。傳感器模型的不準確將導致融合結果錯誤，這種錯誤在后續傳感器模型的不準確將導致融合結果錯誤，